Hvordan finder man danske telefonnumre i en websides HTML tekst

Kunne du ikke sætte word-boundary på (\b ?-)

Det er jo svært helt at undgå, da 8-cifrede tal jo kan være hvad som helst, men du kunne jo starte med at filtrere det fra der IKKE kan være gyldige telefonnumre - dem der starter med 0 eller 1:

((\(?\+45\)?)?)(\s?[2-9]\d\s?\d{2}\s?\d{2}\s?\d{2})

Husk dog lige på at der også er nogle der skriver dem som 87 654 321, og det fanger den jo heller ikke.

Det var måske også en god ide at lægge noget lookahead/lookbehind ind så du ikke fanger noget der er en del af en attribut i et tag, men det er ikke noget jeg lige kan lave i hovedet, og jeg har ikke den software jeg normalt bruger til at lave regexes tilgængelig lige nu.

Hej roenvig,
hvad mener du med word-booundary. Hvad er det \b? gør. Jeg er lidt ny i regex verdenen.

Pidgeot, det var smart at filtere 1 og 2 fra. Det havde jeg ikke tænkt på. Lookahead og lookbehind, der er jeg igen stået lidt af. Kan du give et eksempel når du har din software tilgængelig? Tak.

Jens

\b\d+\b vil matche 987876, men ikke kb854578, da der er angivet ordgrænse både før og efter tallet, og det er der jo ikke i det andet !-)

Okay, smart.

Nu er det jo et HTML-dokument, så vi kan faktisk lave det ved at sige det skal optræde mellem et > og et <.

Hvis vi tager \b'erne med, bliver det til dette:
>[^<]*?\b(\(?\+45\)?)(\s?[2-9]\d\s?\d{2}\s?\d{2}\s?\d{2})\b[^>]*?<

Med mindre du rent faktisk vil kunne vide om +45 var med, kan det også gøres sådan her, så du kun har en capturing group:

>[^<]*?\b(?:\(?\+45\)?)?(\s?[2-9]\d\s?\d{2}\s?\d{2}\s?\d{2})\b[^>]*?<

Og hvis vi lige tager xx xxx xxx med, bliver det sådan her:

>[^<]*?\b(?:\(?\+45\)?)?(\s?[2-9]\d\s?(?:\d{2}\s?\d{2}\s?\d{2}|\s?\d{3}\s?\d{3}))\b[^>]*?<

Til sidst napper vi den alligevel lige med lookahead/lookbehind:

(?<=[^<]*>)\b(?:\(?\+45\)?)?(\s?[2-9]\d\s?(?:\d{2}\s?\d{2}\s?\d{2}|\s?\d{3}\s?\d{3}))\b(?=[^>]*<)

Hej pidgeot,
nu er der bare det problem at html sider ofte ikke er statiske, dvs der optræder ikke altid et > og et <. Hos De Gule Sider bliver resultatet af en søgning fx:

...<a href="blabla;city=København Ø&phone=77326070&cell=..."/>

Så denne version skal jeg også have fanget. Umiddelbart er en nem måde at fange nummeret på måske bare:

\b\d[2-9]\d{6}\b

oder was? (Fatter iøvrigt ikke der skal stå 6 i tuborgklammerne, og ikke 7?)

Måske:

\b(\d[2-9][\d ]{7,})\b -- men den vil også acceptere flere end 8 cifre ialt ...

-- der skal vel stå 7 ?-)

Argh ...

\b([2-9][\d ]{7,})\b

-- der skulle stå 6, fordi der var 2 tegn foran ( \d og [2-9] !-)